Aprendizaje de cuantificación vectorial (lvq)

Definición: ¿Qué significa la cuantificación vectorial de aprendizaje (LVQ)?

La cuantificación vectorial de aprendizaje (LVQ) es un algoritmo que es un tipo de redes neuronales artificiales y utiliza computación neuronal. En términos más generales, se puede decir que es un tipo de inteligencia computacional. Este algoritmo adopta un enfoque competitivo de aprendizaje en el que el ganador se lleva todo y también está relacionado con otros algoritmos de redes neuronales como Perceptron y retropropagación. El algoritmo LVQ permite elegir el número de instancias de entrenamiento a someterse y luego aprende cómo se ven esas instancias. LVQ fue inventado por Teuvo Kohonen y está relacionado con el algoritmo de vecino más cercano k.

Techinfo explica la cuantificación vectorial de aprendizaje (LVQ)

El objetivo básico de aprender la cuantificación de vectores en términos de procesamiento de información es preparar, en el dominio de muestras de datos observados, un conjunto de vectores de libro de códigos. Además, estos vectores se utilizan para la clasificación de vectores que no se ven. Inicialmente, se compone un grupo aleatorio de vectores y luego se exponen a muestras de entrenamiento. En el empleo de una estrategia de "el ganador se lleva todo", se eligen uno o los que son los vectores más similares al patrón de entrada dado. Luego se ajustan de tal manera que estén más cerca del vector de entrada o, a veces, más lejos del subcampeón. Al repetir este proceso, da como resultado una distribución de vectores de libro de códigos en el espacio de entrada que puede aproximarse a la distribución de muestras subyacentes al conjunto de datos de prueba. Este algoritmo se utiliza para el modelado predictivo.